Variables de pondération dans les modèles de régressionJe me demandais comment pondérer les variables dans un modèle de régression. J'ai certaines variables qui peuvent contribuer davantage à mon modèle et je souhaite trouver un moyen pour que JMP valorise davantage ces variables que d'autres variables. Je sais que je peux d'abord les saisir dans un modèle de régression pas à pas. Je veux le faire, mais je veux aussi pondérer certaines variables plus que d’autres.
Modélisation statistique avancéeÉtudes de consommation et de marchéObjet : Variables de pondération dans les modèles de régressionEtude intéressante. En plus de @Mark_Bailey , j'ai quelques questions à vous poser :
Il semble que vous essayiez de prédire dans quelle catégorie le sujet entrera (normal ou TBI) en fonction du volume cérébral.
- Existe-t-il un moyen de rendre les catégories plus continues ou au moins ordinales ?
- Qu'entendez-vous par « appartenance à un groupe » ? Quelles mesures sont utilisées pour effectuer cette catégorisation ou s'agit-il d'un jugement subjectif ? Avez-vous encore une fois pris en compte les erreurs du système de mesure ?
- Comment mesurez-vous le volume cérébral et avez-vous pris en compte les erreurs du système de mesure ?
- Que sont les anomalies du volume cérébral ? Quelles mesures ont été utilisées pour les déterminer ? Existe-t-il d'autres mesures qui pourraient être utilisées à la place du volume cérébral (par exemple, densité, dimensions, poids, EEG)
- Quelles sont les « variables du volume cérébral » ?
- Que font déjà les modèles prédictifs ? Quels sont ces modèles ?
Comme déjà suggéré, le modèle aura des paramètres associés à chaque variable. Ces paramètres sont déjà « pondérés » en termes d'effet sur les variables de réponse.
Objet : Variables de pondération dans les modèles de régressionIl existe également de nombreux autres types de modèles de prédiction. Deux méthodes que je suggère sont le partitionnement récursif et les réseaux de neurones. Le premier est particulièrement bon pour l’interprétation et le second est particulièrement bon pour la précision.
Il en existe d'autres disponibles dans JMP Pro qui peuvent améliorer considérablement les performances de prédiction. S'il te plait regarde Help > Bibliothèque de documentation JMP > Modélisation prédictive guide.
Objet : Variables de pondération dans les modèles de régressionVous utilisez la « régression linéaire » pour modéliser la réponse et prédire le résultat. Le prédicteur linéaire est une combinaison linéaire. Les paramètres ou coefficients sont déjà des poids dans la somme ou l’accumulation. Ils sont basés sur les preuves empiriques fournies par les données (observations). Vous souhaiterez peut-être centrer et mettre à l'échelle les variables prédictives si elles apparaissent à des échelles très différentes (c'est-à-dire leur ampleur).
Le fait que vous ayez plus d'un prédicteur qui change de concert avec le résultat du patient signifie que vous avez un problème de colinéarité, qui gonfle la variance des estimations des paramètres. Les estimations sont instables et peuvent varier considérablement même avec un petit changement dans les données (par exemple, une observation ou de nouvelles données). Le centrage et la mise à l'échelle des prédicteurs aident mais pourraient ne pas éliminer le problème. Vous pouvez choisir d'utiliser un prédicteur dominant pour éviter ce problème. Si les informations contenues dans ces prédicteurs ne sont pas entièrement redondantes, vous pouvez alors envisager d'utiliser l'analyse en composantes principales pour synthétiser de nouveaux prédicteurs indépendants, ce qui pourrait également améliorer l'interprétation en fonction du chargement des variables d'origine sur les nouveaux prédicteurs.
Objet : Variables de pondération dans les modèles de régressionNous avons des mesures du volume cérébral sur 80 sujets témoins normaux et 54 patients présentant un traumatisme crânien (TCC).Nous essayons de créer un modèle qui prédira l'appartenance à un groupe (normal ou TBI) sur la base de mesures du volume cérébral.
Dans nos recherches précédentes, nous avons constaté que notre groupe de patients atteints de TCC présentait de multiples anomalies du volume cérébral.Nous voulions donc utiliser les tailles d'effets de cette étude pour pondérer les variables de volume cérébral pour notre modèle prédictif, en pondérant les variables proportionnellement à leurs tailles d'effet.
Y-a-t-il un moyen de faire ça?Pensez-vous que cela aiderait, au-delà de ce que font déjà les modèles prédictifs ?
Objet : Variables de pondération dans les modèles de régressionLa pondération s'applique généralement aux observations, et non aux variables, dans la régression. La plateforme de régression généralisée de JMP Pro propose plusieurs techniques de régression pénalisée (la pénalité est comme un poids inverse) permettant de réduire l'estimation du paramètre pour chaque effet. Le poids est cependant basé sur les données. Il n'est pas fourni comme une autre variable ou une entrée utilisateur.
Sur quelle base déterminez-vous le poids d’une variable ? Comment avez-vous déterminé que certaines variables ont plus de poids et de combien de poids ? Quelle est la forme ou la nature du poids d’une variable ?
